用于跨机器工况下故障诊断的深度判别迁移学习网络

目前,研究者已经提出了很多用于解决目标域和源域之间的分布对齐和知识迁移问题的领域自适应方法。然而,大多数研究方法只关注到边缘分布对齐,忽略了目标域和源域之间判别性特征的学习。因此,在某些案例中,这些方法仍然不能很好地满足故障诊断要求。为了提高分布一致性,并且对齐两个域的边缘分布和条件分布,我们提出了一种改进联合分布自适应(Improved Joint Distribution Adaptation, IJDA)机制。在该方法中,我们将最大均值差异和相关对齐(Correlation Alignment, CORAL)方法相结合,作为一个新的分布差异度量方法用于提高分布的一致性。在此基础上,提出了一种改进的条件分布对齐机制。另外,我们提出了一种新的I-SoftMax损失,该损失相比原始SoftMax损失具有更强的分类能力,可以帮助网络学习到更多可分离的特征。我们利用IJDA机制和I-SoftMax损失,构建了深度判别迁移学习网络(Deep Discriminative Transfer Learning Network, DDTLN)来实现迁移故障诊断。基于没有标签的目标域样本,我们对六个跨机器诊断任务进行实验,证明该方法与其他典型的域自适应相比,具有更高的迁移故障诊断性能。 关键词:判别特征学习,联合域自适应分布对齐,分类损失,故障迁移诊断

  • 2024-11-06
  • 阅读63

一种用于表面缺陷实时检测的高效靶向设计方法

本文的研究背景在于实际工业应用中,深度学习模型的推理速度直接影响到工业生产的效率。因此,在日益增长的生产效率需求下,实现表面缺陷实时检测的轻量化方法是一项重要的任务。然而,现有的大多数像素级检测方法要么采用巨大的计算开销来学习丰富的特征,导致推理速度慢;要么在应用于不同的工业表面缺陷场景时性能下降。 为了解决这些问题,本文提出了一种高效的针对表面缺陷实时检测的设计(Efficient Targeted Design, ETD),它包括两个分支:一个高效的特征增强分支,通过全局聚合模块(GAM)和跨尺度引导模块(CGM)逐步增强缺陷特征;以及一个轻量级边缘后验分支,用于隐式地指导网络捕捉更详细的信息。 此外,由于大多数缺陷检测模型是为特定的工业环境设计的,因此在不同环境中性能可能会下降。探索具有高泛化性能的模型将大大减少工业缺陷检测的复杂性。因此,本文特别设计了一个轻量级模型以降低模型结构复杂度,提高模型的推理速度,并增强模型的通用性。该模型旨在平衡精度与速度,并结合高精度与高速度架构的优势,构建一个兼顾准确性和速度的框架。同时,该模型还针对工业表面图像的一些通用特性进行了优化,如缺陷图像对比度低、缺陷尺寸变化大以及缺陷区域与非缺陷区域纹理相似等挑战。

  • 2024-11-06
  • 阅读38